KR102152237B1 - 상황 분석 기반의 cctv 관제 방법 및 시스템 - Google Patents

Abstract

상황 분석 기반의 CCTV 관제 방법 및 시스템이 개시된다. 상황 분석 기반의 CCTV 관제 시스템은, 제1 영상분석 장치, 제2 영상분석 장치 및 통합 관제 서버를 포함하되, 제1 영상분석 장치는, 제1 메타데이터에 기초하여 카메라의 동작을 제어하고, 제2 영상분석 장치는, 제1 메타데이터 및 제2 메타데이터 중에서 적어도 하나를 이용하여 이벤트 발생 여부를 판단한다. 본 발명에 따르면, 객체의 움직임 및 상황 변화에 기반하므로 이벤트 검출에서의 오보를 확률적으로 줄일 수 있다.

Description

상황 분석 기반의 CCTV 관제 방법 및 시스템{CCTV CENTRAL CONTROL SYSTEM AND METHOD BASED ON SITUATION ANALYSIS}

본 발명은 상황 분석 기반의 CCTV 관제 방법 및 시스템에 관한 것으로, 더욱 상세하게는 에지에서 객체 감지 및 클라우드에서 상황 분석에 기반하는 CCTV 관제 방법 및 시스템에 관한 것이다.

주거 및 업무시설에 설치된 기존의 CCTV 설비의 주된 이용현황을 보면 이벤트 발생 시점에서 즉각적인 대응을 못하고, 발생 후 저장된 영상을 통하여 이벤트에 대한 원인 분석 및 결과 처리 정도로 이용되고 있는 실정이다. 따라서 기존의 CCTV 설비로는 사고 및 범죄에 대한 예방 및 즉각적인 조치가 어려운 경우가 많았다.

지능형 CCTV의 초기는 룰 기반이었는데, 룰 기반의 지능형 CCTV는 영상에서 움직이는 픽셀을 감지해 이동 물체를 감지하는 것을 의미한다. 그런데 룰 기반의 지능형 CCTV는 사람과 사물을 구분하지 못했고, 수동으로 감지레벨이 설정되어야 하는 어려움이 있었다. 룰 기반의 지능형 CCTV에서 사람이 지나갈 때 알림이 울려야 하는데, 개나 고양이가 지나갈 때, 낙엽이 날라가거나 나무가 바람에 나부낄 때, 심지어 노이즈가 생겼을 때 알람이 울리는 등 하루에 수십 번의 오보가 발생했다. 그래서 지능형 CCTV를 설치해 놓고도 알람을 작동시키지 않은 상태로 육안 관제에 의존해야 했다.

하나의 관련 기술로서 지능형 협업 서버, 시스템 및 이의 협업 기반 분석 방법이 등록번호 KR 제10-2008503호의 공개공보에 개시된다. 이 관련 기술에 따르면 여러 가지 분석 기법에 의한 정보 분석이 실제로는 불가능하고, 제1 영상 분석 정보와 제2 영상 분석 정보가 서로 상충하는 경우 높은 신뢰도를 갖는 분석 기법을 선택하는 방법이 제시되어 있지 않다. 그리고 위의 관련 기술은 영상 분석에 기초하여 카메라 제어 정보를 생성하는 것에 한정되어 있다는 단점이 있다.

KR 등록특허공보 제10-2008503호 (2019.08.01. 공개)

본 발명의 일 과제는, 즉각적인 대응을 못했던 초기의 CCTV 및 객체의 움직임 검출에 따라 오보가 많았던 종래의 지능형 CCTV 관제 시스템의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 객체의 움직임이 적은 주거 또는 업무 시설에 설치되는 감시용 CCTV와, 객체의 움직임이 많은 교차로에 설치되는 교통 관제용 CCTV를 구별하여 서로 다른 시스템이 적용되었던 종래의 CCTV 관제 시스템의 문제점을 해결하기 위해, 주거, 업무시설에 설치되는 CCTV와 교통 관제용 CCTV 모두에 적용될 수 있는 지능형 CCTV 관제 시스템을 제공하는 것이다.

본 발명의 일 과제는, 에지 및 클라우드에서의 전이 학습을 통해 성능이 업데이트될 수 있는 인공지능 모델을 활용할 수 있는 CCTV 관제 시스템을 제공하는 것이다.

본 발명의 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템은, 감시 영상을 수집하고 이를 전송하는 적어도 하나 이상의 카메라; 감시 영상에서 감지된 객체의 동작 기반의 제1차 영상분석을 통해 제1 메타데이터를 생성하는 제1 영상분석 장치; 제1 메타데이터가 이용되는, 감시 영상에서 감지된 상황 기반의 제2차 영상분석을 통해 제2 메타데이터를 생성하는 제2 영상분석 장치; 및 감시 영상을 통합 관제 뷰어를 통해 디스플레이 하고, 미리 설정된 조건의 이벤트의 발생을 알리는 통합 관제 서버를 포함하도록 구성될 수 있다. 그리고, 제1 영상분석 장치는, 제1 메타데이터에 기초하여 카메라의 동작을 제어하고, 통합 관제 서버는, 제2 메타데이터에 기초하여 카메라의 동작을 제어하고, 제1 메타데이터 및 제2 메타데이터를 이용하여 이벤트 발생 여부를 판단할 수 있다.

또한, 제1 영상분석 장치는, 감시 영상에서 객체를 추출하고, 추출된 객체에 인공지능 모델 기반의 객체 분류를 통해, 학습된 패턴을 매칭시켜 객체에 관한 제1 메타데이터를 추출할 수 있다.

또한, 제2 영상분석 장치는, 감시 영상으로부터 추출된 배경의 특징에 딥러닝(deep learning) 모델을 적용하여 배경을 인식하고, 제1 메타데이터를 이용하여 배경에서 객체의 동작을 통해 추론되는 상황 변화에 관한 제2 메타데이터를 추출할 수 있다.

또한, 제1 영상분석 장치는, 점등된 신호기의 색깔 및 교통신호 제어기로부터 수신한 신호 정보 중에서 적어도 하나를 이용하여 차량 및 사람의 신호 위반의 움직임을 감지할 수 있다.

또한, 제1항에 있어서, 제2 영상분석 장치는, 감시 영상으로부터 추출된 배경에 학습에 의해 훈련된 인공지능 모델을 적용하여 어린이보호구역, 횡단보도, 교차로 중에서 적어도 하나를 인식하고, 제1 메타데이터를 이용하여 인식된 배경에서 차량과 사람의 동작을 통해 추론되는 상황의 변화 여부를 판단할 수 있다.

또한, 통합 관제 서버가 수행하는 방법으로서, 상황 분석 기반의 CCTV 관제 방법은, CCTV 카메라를 통해 수집된 영상으로 구성된 훈련 데이터 셋을 이용하는 학습에 따른 훈련에 기초하여 객체의 움직임을 판단하는 모델 및 상황 변화를 판단하는 모델을 구성하는 단계; 이벤트의 발생을 알리기 위해 상기 CCTV 카메라로부터 감시 영상을 수신하는 단계; 객체의 움직임을 판단하는 모델을 이용하여, 감시 영상에서 감지된 객체의 동작 기반의 제1차 영상분석 기반의 제1 메타데이터를 수신하는 단계; 제1 메타데이터 및 상황 변화를 판단하는 모델을 이용하여, 감시 영상에서 감지된 상황 기반의 제2차 영상분석 기반의 제2 메타데이터를 수신하는 단계; 및 감시 영상을 통합 관제 뷰어를 통해 디스플레이 하고, 미리 설정된 조건의 이벤트의 발생을 알리는 단계를 포함하도록 구성될 수 있다. 그리고 제1 메타데이터 및 제2 메타데이터 중에서 적어도 하나를 이용하여 이벤트 발생 여부가 판단될 수 있다.

또한, 상황 분석 기반의 CCTV 관제 방법은, 카메라의 동작을 제어하는 단계를 더 포함하도록 구성될 수 있다. 그리고, 제1 메타데이터에 기반하여 엣지에서 카메라의 동작이 제어하고, 제2 메타데이터에 기반하여 클라우드에 의해 카메라의 동작이 제어될 수 있다.

본 발명에 의하면, 객체의 움직임 및 상황 변화에 기반하므로 이벤트 검출에서의 오보를 확률적으로 줄일 수 있다.

본 발명에 의하면, 하나의 이벤트 검출 알고리즘이 범죄 예방용 CCTV와 교통 관제용 CCTV에 모두 적용될 수 있다.

본 발명에 의하면, 인공지능 모델의 에지 및 클라우드에서의 전이학습을 통해 CCTV의 관제 지능이 점차 향상될 수 있다.

도 1은 종래 기술에 따른 CCTV 관제 시스템의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템이 연결된 네트워크 환경의 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 영상분석 장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템의 상세한 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

도 1은 종래 기술에 따른 CCTV 관제 시스템의 블록도이다.

도 1을 참조하면, 서버 기반의 영상분석 방법을 수행하는 영상 분석 서버가 도시되어 있다. 영상 분석(Video Analysis) 서버는 n개의 카메라에서 전송되는 비디오 스트림을 처리하고, n개 채널의 비디오 스트림 중에서 이벤트와 관련된 비디오 스트림이 통합 관제 서버(Video Management Server)를 통해 집중적으로 보여지고, 알람이 동작된다. 영상 분석 서버가 수행하는 객체 감지 기술은 머신 러닝에 기초하여, 학습된 행동 패턴을 기반으로 감시, 위험 상황 혹은 특이 사항 등을 인지하고 추출할 수 있다.

서버 기반의 영상분석 방법은 카메라로부터 영상을 전송 받아서 지능형 영상분석을 수행하는 집중형 구조로써 카메라에 대한 의존성이 없기 때문에 기존 시스템에 적용하기 용이하지만, 서버 한대가 처리할 수 있는 카메라 수가 제한적이기 때문에 확장성에 문제가 있다.

그리고 서버 기반의 영상분석의 문제점은 학습패턴과 동일 또는 유사한 상황이나 대상에 대해 인지하고 추출하는 경우가 아닌 예상 밖의 상황의 변화와 연관된 객체 변화 등의 발생을 인식하고 대상 추출에 과도한 이벤트가 발생하거나 오탐률이 높아지는 것이다.

또한 영상 분석 서버가 다수의 채널에서 송신되는 영상 정보를 분석하고 처리하므로 과도한 영상 데이터의 전송 및 처리로 인한 네트워크 및 시스템의 부하 문제도 발생할 수 있다.

서버 기반의 영상분석 방법 외에 에지 기반의 영상분석 방법은 카메라 또는 카메라와 연결된 영상 인코더에서 영상을 분석하는 방법으로 영상을 전송하기 위해서 압축하는 과정에서 발생하는 신호의 왜곡 없이 영상을 분석할 수 있다는 장점이 있다.

그러나 임베디드 장비의 연산 능력이 제한되기 때문에 복잡도가 높은 영상분석 기법을 적용할 수 없고 추후 기능 업그레이드가 어려운 문제점이 있다.

본 발명의 일 실시 예에 따른 상황 기반의 CCTV 관제 방법 및 이를 이용하는 관제 시스템(100)은 에지 기반의 영상분석과 서버 기반의 영상분석을 모두 포함하는 하이브리드 영상분석 방법에 기반하는 것을 특징으로 한다. 즉 상황 기반의 CCTV 관제 방법은, 높은 네트워크 대역폭 사용율, 서버당 처리할 수 있는 채널의 수 문제, 에지 기반의 방법의 디바이스 연산 능력으로 고수준 영상분석 기법의 적용 제한 등의 문제점을 해결하기 위하여 두 방법의 장점을 결합한 하이브리드 기반의 방법에 해당한다.

상황 기반의 CCTV 관제 시스템(100)은 영상분석에 있어서 에지에서 객체의 움직임을 감지하고, 객체의 움직임에 기반하여 상황 변화를 감지하고, 객체의 움직임과 상황 변화에 기반하여 이벤트의 발생 여부를 판단할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템이 연결된 네트워크 환경의 예시도이다.

도 2를 참조하면, 상황 분석 기반의 CCTV 관제 시스템(100)은 카메라(110), 제1 영상분석 장치(120), 제2 영상분석 장치(130) 및 통합 관제 서버(150)를 포함하도록 구성될 수 있다.

카메라(110)는 CCTV 관제 시스템(100)의 여러 가지 용도에 따라 다양한 장소에 설치될 수 있다. 예를 들어 카메라(100)는 교통데이터 수집, 통과차량 카운팅, 차량의 진행방향 확인, 차량의 비정상적인 정차 감지를 위해 교차로에 설치되거나, 특정지역의 주의상황 감지, 특정지역의 침입자 감지, 근거리 화재 또는 연기감지, 게이트로의 출입자 탐지, 배회자 추적을 위해 사유 또는 공공 건조물이나 거리에 설치되거나, 폭력 감지, 어린이 추돌사고, 횡단보도 안전사고의 감지를 위해 학교 시설물이나 어린이 보호구역에 설치될 수 있다.

카메라(110)는 네트워크 상에서 IP 주소가 부여되지 않은 카메라 및 IP 주소가 부여된 IP 카메라 중에서 적어도 하나의 종류를 포함하도록 구성될 수 있다. IP 주소가 부여되지 않은 카메라는 IP 주소가 부여된 영상 인코딩 장치와 연결될 수 있다. 따라서 IP 카메라 또는 영상 인코딩 장치는 인코딩된 비디오 스트리밍을 제1 영상분석 장치(120) 및 제2 영상분석(130)에 전송할 수 있다.

제1 영상분석 장치(120)는 객체의 움직임에 기초하여 영상을 분석할 수 있다. 반면 제2 영상분석 장치(120)는 상황 변화에 기초하여 영상을 분석할 수 있다. 여기서 제1 영상분석 장치(120)는 임베디드 시스템 형태로 카메라(110)에 포함되도록 구성될 수 있다. 이벤트의 발생을 감지하기 위해 제1 영상분석 장치(120)는 이벤트 발생과 관련된 객체의 움직임을 판단하는데 필요한 제1 영상분석을 수행하고, 제2 영상분석 장치(130)는 이벤트 발생과 관련된 상황 변화를 판단하는데 필요한 영상분석을 수행할 수 있다.

또한, 제1 영상분석 장치(120)와 제2 영상분석 장치(130)는 인공지능 모델, 예를 들어 인공지능 모델로서 인공 신경망을 저장하고 있어서 이를 이용하여 영상을 분석할 수 있는데, 각각의 장치가 이용하는 인공지능 모델은 객체의 움직임 파악에 중점을 둔 학습과 상황의 변화에 중점을 둔 학습에 의해 각각 따로 훈련되는 것을 특징으로 한다. 여기서, 제2 영상분석 장치(130)는 제1 영상분석 장치(120)의 영상분석 결과물인 제1 메타데이터를 이용하여 제2 메타데이터를 생성할 수 있다.

제2 영상분석 장치(130)는 제1 메타데이터와 제2 메타데이터를 이용하여 객체의 움직임이 이벤트의 발생으로 연결되는지 최종적인 판단을 한다.

통합 관제 서버(150)는 이벤트 발생의 알람을 표시하고, 해당 영상을 통합 관제 뷰어(160)를 통해 표시할 수 있다. 그 밖에 수신한 제2 메타데이터를 이용하여 카메라(110)의 동작을 제어할 수 있다. 또한, 통합 관제 서버(150)는 영상분석에 필요한 각종 설정을 제1 영상분석 장치(120)와 제2 영상분석 장치(130)에 저장할 수 있다.

상환 분석 기반의 CCTV 시스템(100)은 그 밖에 통합 관제 뷰어(160), 영상 저장장치(NVR)(170), 메타데이터 저장장치(180) 등을 추가적으로 포함하도록 구성될 수 있다. 즉 통합 관제 뷰어(160)는 통합 관제 서버(150)에 직접 연결되거나 별도의 서버로 구성될 수 있고, 비디오 스트리밍은 네트워크 비디오 레코더(Network Video Recorder)에 해당하는 NVR(170)에 저장될 수 있고, 그리고 제1 영상분석 장치(120)가 생성하는 제1 메타데이터와 제2 영상분석 장치(130)가 생성하는 제2 메타데이터는 별도의 메타데이터 저장장치(180)에 저장될 수 있다.

카메라(110)는 PTZ 카메라와 관련이 있으며 회전 변화, 기울기 변화 및 확대 변화를 위한 동작이 제어될 수 있다. 제1 영상분석 장치(120)는 에지 영역에서 카메라(110)에 연결되어 객체 움직임에 중점을 둔 영상분석의 결과물인 제1 메타데이터를 이용하여 카메라(110)의 동작을 직접 제어할 수 있다. 반면에 통합 관제 서버(150)는 상황 변화에 중점을 둔 영상분석의 결과물인 제2 메타데이터를 이용하여 카메라(110)의 동작을 제어할 수 있다. 그 밖에 카메라(110)는 통합 관제 뷰어(160)의 도움으로 관리자에 의해 직접 제어될 수 있다.

네트워크(190)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(190)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(190)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(190)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템의 블록도이다.

도 3을 참조하면, 상황 분석 기반의 CCTV 관제 시스템(100)을 구성하는 카메라, 에지 지능형 영상분석 장치(120), 상황기반 영상분석 장치(130), 통합 관제 서버(150), 통합 관제 뷰어(160), 영상 저장장치(170), 및 메타데이터 저장장치(180)가 도시되어 있다. 여기서 제1차 영상분석 장치는 에지 지능형 영상분석 장치로, 제2차 영상분석 장치는 상황기반 영상분석 장치로 지칭될 수 있다.

n개의 카메라(110)를 통해 영상이 수집되고, 수집된 영상과 카메라정보는 에지 지능형 영상분석 장치(120)와 상황기반 영상분석 장치(130)로 전송될 수 있다. 에지 지능형 영상분석 장치(120)는 객체의 움직임에 중점을 둔 영상분석을 통해 제1 메타데이터를 추출하고, 제1 메타데이터에 포함된 제어정보는 카메라(110)에 전송될 수 있다.

에지 지능형 영상분석 장치(120)는 영상분석 설정에 따라 카메라(110)로부터 수신한 영상을 객체의 움직임 판단에 중점을 두면서 분석한다. 제1 분석을 통해 객체의 움직임과 관련된 시간, 카메라, 위치 및 객체의 색상에 관한 정보를 포함하는 제1 메타데이터가 상황기반 영상분석 장치(130)에 전송될 수 있다.

상황기반 영상분석 장치(130)는 수신한 제1 메타데이터를 이용하면서, 상황 변화 판단에 중점을 둔 제2 영상분석을 통해 제2 메타데이터를 생성할 수 있다. 제2 메타데이터는 움직인 객체의 정체, 인식된 배경의 종류, 객체의 배경에 대한 움직임에 따른 장면 구성 및 인식, 그리고 상황 추론 및 분석에 따른 상황 변화에 관한 정보를 포함할 수 있다.

제1 메타데이터와 제2 메타데이터는 별도의 메타데이터 저장장치(180)에 저장되어 통합 관제 서버(150)에 의해 관리될 수 있다.

통합 관제 서버(150)는 영상분석의 결과 즉 이벤트 발생에 관한 정보를 이용하여 알람을 표시하고 해당 영상의 이벤트 발생을 북마크 할 수 있다. 또한, 통합 관제 서버(150)는 상황기반 영상분석 장치(130)로부터 수신한 영상을 별도의 영상 저장장치(170)에 저장하고 이를 관리할 수 있다.

또한, 통합 관제 서버(150)는 통합 관제 뷰어(160)를 통해 영상분석 정보와 함께 해당 영상을 표시할 수 있다. 그 밖에 통합 관제 서버(150)는 영상분석에 필요한 환경 설정을 에지 지능형 영상분석 장치(120) 및 상황기반 영상분석 장치(130)에 저장할 수 있다.

상황 분석 기반의 CCTV 관제 시스템(100)은 객체의 움직임 탐지에 중점을 둔 영상분석과 상황의 변화 탐지에 중점을 둔 영상분석이 서로 다른 영상분석 장치에 의해 수행된다는 특징을 가지며, 그 밖의 영상의 저장, 메타데이터의 저장, 및 영상의 디스플레이 기능은 컴퓨터에 해당하는 하나 이상의 서버에 의해 수행될 수 있다.

제1 영상분석 장치(120), 제2 영상분석 장치(130) 및 통합 관제 서버(150)도 컴퓨터 형태로 구현될 수 있다. 이하 여러 장치들을 대표하여 컴퓨터로 구현될 수 있는 제2 영상분석 장치에 대해 설명하기로 한다.

도 4는 본 발명의 일 실시 예에 따른 영상분석 장치의 블록도이다.

도 4를 참조하면, 제2 영상분석 장치(130)는 프로세서(131), 메모리(138), 입력 디바이스(139), 디스플레이 디바이스(140), 데이터 버스(141), 송수신기(142) 및 저장 디바이스(143)를 포함하도록 구성될 수 있다.

프로세서(131)는 메모리에(138)에 저장된 프로그램 모듈을 실행할 수 있다. 프로그램 모듈의 실행을 통해 프로그램 모듈에 포함된 각종 명령어 셋과 관련된 명령이 수행되고 그 결과로서 본 발명의 일 실시 예에 따른 상황 기반의 CCTV 관제 방법을 이루는 단계가 제2 영상분석 장치(130)에 의해 수행될 수 있다.

송수신기(142)는 카메라(110)를 통해 수집된 영상을 수신하고, 이 영상을 통합 관제 서버(150)에 전송할 수 있다. 또한, 송수신기(142)는 프로세서(131)에 의해 생성된 제2 메타데이터를 통합 관제 서버(150)에 전송할 수 있다. 송수신기(142)는 이더넷과 같은 네트워크 통신카드 형태로 구현될 수 있다.

제2 영상분석 장치(130)의 영상분석에 필요한 각종 데이터는 데이터 버스(142)를 통해 그 내부의 각종 구성장치 간에 전송될 수 있다.

이하 컴퓨터로 구현될 수 있는 에지 지능형 영상분석 장치(120) 및 상황기반 영상분석 장치(130)가 프로세서와 메모리를 통해 수행하는 알고리즘에 대해 자세히 설명하기로 한다.

도 5는 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템의 상세한 블록도이다.

도 5를 참조하면, 에지 지능형 영상분석 장치(120), 상황기반 영상분석 장치(130), 및 통합 관제 서버(150)의 각 프로세서(121, 131, 151)와 메모리에 저장된 각종 프로그램 모듈이 수행하는 CCTV 관제 방법이 도시되어 있다.

에지 지능형 영상분석 장치(120)는, 카메라(110)로부터 영상 및 카메라정보를 수신하고, 카메라제어정보를 카메라(110)에 전송할 수 있다. 프로세서(121)는 일단 지능형 영상분석 장치(120)는, 제1 영상분석과 관련하여 환경을 설정할 수 있다. 다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 객체를 추출할 수 있다(122). 다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 영상과 학습패턴을 매칭할 수 있다(123). 다음으로 프로세서(121)는 해당 프로그램 모듈의 제어를 통해 메타데이터를 추출할 수 있다(124). 에지 지능형 영상분석 장치(120)의 프로세서(121)에 의해 추출된 메타데이터는 제1 메타데이터로 지칭될 수 있다. 제1차 메타데이터는 상황기반 영상분석 장치(130)로 전송될 수 있다.

제1 메타데이터는 영상에서 발생하는 객체의 움직임에 관한 정보를 포함할 수 있다. 예를 들어 제1차 메타데이터는 객체의 출현 위치, 객체의 움직임 시간, 객체의 크기, 및 객체의 색상에 관한 정보를 포함할 수 있다.

상황기반 영상분석 장치(130)는 카메라(110)로부터 직접 영상 및 카메라정보를 수신할 수 있다. 또한 상황기반 영상분석 장치(130)는 제1 메타데이터와 함께 영상을 에지 지능형 영상분석 장치(120)로부터 수신할 수도 있다.

통합 관제 서버(150)는 상황기반 영상분석 장치(130)에 의한 영상분석 결과를 이용하여 이벤트 발생의 알람과 확인이 필요한 영상을 알림을 표시할 수 있다. 통합 관제 서버(150)는 제2 메타데이터를 수신할 수 있고, 카메라(110)의 동작을 제어하는 제2 메타데이터에 포함된 카메라제어정보를 카메라(110)로 송신할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.도 6을 참조하면, 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 시스템(100)은, 객체의 움직임을 판단하는 모델과 상황 변화를 판단하는 모델을 구성하는 단계(S110), 감시 영상을 수신하는 단계(S120), 객체의 움직임 판단에 중점을 둔 제1차 영상분석의 결과로서 제1 메타데이터를 생성하는 단계(S130), 상황 변화 판단에 중점을 둔 제2차 영상분석의 결과로서 제2 메타데이터를 생성하는 단계(S140), 및 감시 영상을 디스플레이하고, 제1 메타데이터 및 제2 메타데이터 기반으로 이벤트의 발생을 알리는 단계(S150)를 포함하도록 구성될 수 있다.

본 발명의 일 실시 예에 따르면 객체의 움직임을 판단하는 모델과 상황 변화를 판단하는 모델을 구분하여 각 모델이 따로 구성될 수 있다(S110). 여기서 객체의 움직임을 판단하는 모델은 그 기능의 특성상 에지에 연결된 제1 영상분석 장치(120)에 의해 구동될 수 있다. 특히 제1 영상분석 장치(120)는 각 카메라(110) 내부에 임베디드 시스템 형태로 구현될 수도 있다. 그리고 상황 변화를 판단하는 모델은 그 기능의 특성상 클라우드에 연결된 제2 영상분석 장치(130)에 이해 구동될 수 있다.

감시 영상은 선별된 위치에 설치된 카메라(110)에 의해 수집될 수 있다. 감시 영상은 제1 영상분석 장치(120)와 제2 영상분석 장치(130)가 수행하는 영상분석의 대상이자, 제1 영상분석 장치(120)와 제2 영상분석 장치(130)에 각각 저장되어 구동되는 객체의 움직임 판단 모델과 상황의 변화 판단 모델의 훈련하는 필요한 학습 데이터로도 이용될 수 있다. 감시 영상을 훈련 데이터 셋으로 이용하는 학습방법에 대해서는 후술하기로 한다.

본 발명의 일 실시 예에 따르면 영상분석은 2단계를 통해 서로 다른 장치에 의해 각각 수행될 수 있다. 그리고 각각의 영상분석 단계는 순서에 관계없이 동시에 수행될 수 있다. 제1 영상분석은 객체의 움직임 판단에 중점을 둔 영상분석이고, 제2 영상분석은 상황의 변화 판단에 중점을 둔 영상분석에 해당한다. 제1 영상분석을 통해 제1 메타데이터가 생성되고(S130), 제2 영상분석을 통해 제2 메타데이터가 생성될 수 있다(S140).

제1 메타데이터는 감시 영상에서 감지된 객체의 움직임에 관한 정보를 포함할 수 있다. 예를 들어 제1 메타데이터는 객체의 출현, 출현 시간, 출현 위치, 카메라 및 객체의 색상에 관한 정보를 포함할 수 있다. 그리고 제2 메타데이터는 감시 영상에서 감지된 상환의 변화에 관한 정보를 포함할 수 있다. 예를 들어 제2 메타데이터는 인식된 객체의 정체, 추출된 배경의 종류, 추출된 배경에 대해 인식된 객체의 행위분석에 의한 장면 구성 및 인식, 그리고 이를 이용한 상환 추론 및 분석에 따른 상환 변화에 관한 정보를 포함할 수 있다. 구체적인 예를 들면 제2 영상분석 장치(130)는 객체의 움직임 정보에 기초하여 객체가 사람임을 인식하고, 배경 중에서 어린이보호 구역을 알리는 표지를 문자인식을 통해 인식하고, 객체의 행위분석에 따라 어린이보호 구역에서의 객체에 해당하는 사람과 차량에 의한 충돌로 인한 상황 변화를 인식할 수 있다.

영상분석의 결과로 생성된 제1 메타데이터와 제2 메타데이터의 조합을 통해, 즉 객체의 움직임과 상황 변화의 종합적 판단을 통해 이벤트의 발생 여부가 판단되고, 이에 대응하여 알람이 표시될 수 있다(S150).

위에 서술된 상황 분석 기반의 CCTV 관제 방법(S100)은, 상황 분석 기반의 CCTV 관제 시스템(100)을 주체로 하는 관점에서 서술되었다. 그 밖에 상황 분석 기반의 CCTV 관제 방법(S100)은, 객체의 움직임을 판단하는 모델, 상황 변화를 판단하는 모델을 이용하여 분석된 영상분석 결과로서 제1 메타데이터를 수신하는 단계, 제2 메타데이터를 수신하는 단계 및 감시 영상을 디스플레이, 제1 및 제2 메타데이터 기반으로 이벤트의 발생을 알리는 단계를 포함하도록 구성될 수도 있다.

도 7은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.

도 7을 참조하면, 도 6의 S130 내지 S150에 관한 상세한 단계가 도시되어 있다. S211 내지 S214 단계는 에지에서 제1 영상분석 장치에 의해 수행될 수 있다. 그리고 S310 내지 S370 단계는 클라우드에서 제2 영상분석 장치에 의해 수행될 수 있다.

통합 관제 서버(150)는 객체의 움직임이 판단된 영상, 상황 변화가 판단된 영상 및 이벤트의 발생이 판단된 영상을 통합 관제 뷰어(160)를 통해 출력할 수 있다.

S364 단계에서 제1 영상분석 장치 및 제2 영상분석 장치의 영상분석에 따라 객체의 움직임, 상황의 변화 및 이벤트의 발생으로 판단된 해당 영상들은 객체의 움직임을 판단하는 모델과 상황의 변화를 판단하는 모델의 훈련 데이터로 사용될 수 있다.

S365 단계에서 객체의 움직임을 판단하는 모델과 상황의 변화를 판단하는 모델은 해당 영상을 학습하고 이를 패턴화할 수 있다.

에지에 연결된 제1 영상분석 장치(120)의 메모리에 저장된 객체의 움직임을 판단하는 모델은, 에지의 특성상 업데이트가 어려울 수 있다. 그러나 본 발명의 일 실시예에 따른 제1 영상분석 장치는, 객체 움직임을 판단하는데 사용된 데이터를 훈련 데이터로 이용하여 전이 학습을 수행할 수 있다. 따라서 본 발명의 일 실시 예에 따른 객체의 움직임을 판단하는 모델은 전이학습을 통해 그 성능이 점차 향상될 수 있다. 그리고 카메라(110)를 통해 수집된 영상을 이용하는 전이학습은 제2 영상분석 장치에도 동일하게 적용될 수 있다.

인공 지능을 구성하는 여러 학습 방법 중에서, 에지에 연결된 제1 영상분석 장치(120)에 저장된 객체의 움직임을 판단하는 인공지능 모델은, 영상에서 특징 추출과 관련하여 객체의 움직임과 관련된 특징을 스스로 추출하고 이를 이용하여 딥 러닝을 수행하도록 구성될 수 있다.

또한, 인공 지능을 구성하는 여러 학습 방법 중에서, 클라우드에 연결된 제2 영상분석 장치(130)에 저장된 상황의 변화를 판단하는 인공지능 모델은, 미리 설정된 여러 상황에 대해 상황 변화를 감지하는 학습을 수행하도록 하는 머신 러닝을 수행하도록 구성될 수 있다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공 신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공 신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공 신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공 신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공 신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

도 8은 본 발명의 일 실시 예에 따른 상황 분석 기반의 CCTV 관제 방법의 흐름도이다.

도 8을 참조하면, 도 7의 S360 단계를 통해 이벤트의 발생 여부가 판단되는 알고리즘이 도시되어 있다. 제2 영상분석 장치(130)는 제1 메타데이터와 제2 메타데이터를 조합하여 이벤트의 발생 여부를 판단할 수 있다. 예를 들어 제1 메타데이터와 제2 메타데이터의 조합을 통해 객체의 움직임 및 객체의 움직임과 관련하여 상황 변화가 발생하였다면, 이벤트가 발생한 것으로 판단된다. 그러나 객체의 움직임만 판단되거나, 상황의 변화만 판단된 경우에는 이벤트 발생에까지는 미치지 못하고 이상여부가 확인될 필요에 따라 해당 영상을 촬영한 카메라, 시간 및 상황이 북마크 된다.

객체의 움직임과 상황 변화를 모두 고려하는 이벤트 발생 여부의 판단에 대해 예를 들어 설명하기로 한다.

본 발명의 일 실시 예에 따른 상황 기반의 CCTV 관제 방법에 따르면 객체의 움직임 판단 외에 상황 변화의 판단에 기초하여 이벤트 발생 여부가 판단될 수 있다. 여기서 상황 변화의 판단은 추출된 객체와 배경을 이용하여 장면을 구성하고 이를 인식하는 것에 기초한다. 종래의 기술에 따라 객체의 움직임만을 기초로 이벤트의 발생을 판단하게 된다면, 동물의 움직임이나 나무의 움직임에 의해 오보가 발생할 수 있으나, 본 발명의 일 실시 예에 따르면 객체가 무엇인지 인식되고, 인식된 객체에 의해 상황 변화가 판단되면, 객체의 움직임 정보와 상황 변화 정보를 이용하여 이벤트의 발생이 판단될 수 있다.

본 발명의 일 실시 예에 의하면, 객체의 움직임 및 상황 변화에 기반하므로 이벤트 검출에서의 오보를 확률적으로 줄일 수 있다.

본 발명에 의하면, 하나의 이벤트 검출 알고리즘이 범죄 예방용 CCTV와 교통 관제용 CCTV에 모두 적용될 수 있다.

본 발명에 의하면, 인공지능 모델의 에지 및 클루우드에서의 전이학습을 통해 CCTV의 관제 지능이 점차 향상될 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 '상기'의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 상황 기반의 CCTV 관제 시스템
110: 카메라
120: 에지 지능형 영상분석 장치
130: 상황기반 영상분석 장치
150: 통합 관제 서버
160: 통합 관제 뷰어
170: 영상 저장장치
180: 메타데이터 저장장치

Claims (7)

1. 감시 영상을 수집하고 이를 전송하는 적어도 하나 이상의 카메라;
   상기 감시 영상에서 감지된 객체의 동작 기반의 제1차 영상분석을 통해 상기 객체의 동작과 관련된 제1 메타데이터로서, 상기 객체의 움직임 시간, 상기 객체의 출현 위치 및 시간, 상기 객체의 크기 및 색상에 관한 정보, 및 상기 카메라의 정보를 포함하는 제1 메타데이터를 생성하는 에지 영역의 제1 영상분석 장치;
   상기 제1 메타데이터가 이용되는, 상기 감시 영상에서 감지된 상황 기반의 제2차 영상분석을 통해 상황 판단과 관련된 제2 메타데이터로서, 상기 객체의 정체, 인식된 배경의 종류, 상기 인식된 배경에 대한 상기 객체의 움직임에 따른 장면 구성 및 인식과, 상황 추론 및 분석에 따른 상황 변화에 관한 정보를 포함하는 제2 메타데이터를 생성하는 클라우드 영역의 제2 영상분석 장치; 및
   상기 감시 영상을 통합 관제 뷰어를 통해 디스플레이 하고, 미리 설정된 조건의 이벤트의 발생을 알리는 통합 관제 서버를 포함하되,
   상기 제1 영상분석 장치는,
   상기 감시 영상에서 상기 객체를 추출하고, 상기 객체에 인공지능 모델 기반의 객체 분류를 통해, 학습된 패턴을 매칭시켜 상기 객체에 대한 상기 제1 메타데이터를 생성하며, 에지 영역에서 상기 카메라에 연결되어 상기 제1 메타데이터에 기초한 상기 객체의 움직임에 따라 상기 카메라의 동작을 제어하고,
   상기 제2 영상분석 장치는,
   상기 감시 영상으로부터 추출된 상기 배경의 특징에 인공지능 모델을 적용하여 상기 배경을 인식하고, 상기 제1 메타데이터를 이용하여 상기 배경에서 상기 객체의 동작을 통해 추론되는 상황 변화에 관한 제2 메타데이터를 생성하며, 상기 제1 메타데이터 및 상기 제2 메타데이터의 조합에 기초하여 이벤트 발생 여부를 판단하고,
   상기 통합 관제 서버는,
   클라우드 영역에서 상기 제2 메타데이터에 기초한 상황 변화에 따라 상기 카메라의 동작을 제어하며, 상기 제2 영상분석 장치를 통해, 상기 제1 메타데이터와 상기 제2 메타데이터의 조합에 기초해 상기 객체의 움직임 및 상기 객체의 움직임과 관련한 상황 변화가 발생되면 이벤트가 발생한 것으로 판단하여 이벤트 발생을 알리고, 상기 객체의 움직임만 판단되거나 상황 변화만 판단된 경우에는 해당 영상을 촬영한 카메라, 시간 및 상황이 북마크되도록 하는,
   상황 분석 기반의 CCTV 관제 시스템.
2. 제1항에 있어서,
   상기 제1 영상분석 장치는,
   임베디드 시스템 형태로 상기 카메라에 포함되도록 구성되는,
   상황 분석 기반의 CCTV 관제 시스템.
   
3. 삭제
4. 제1항에 있어서,
   상기 제2 영상분석 장치는,
   점등된 신호기의 색깔 및 교통신호 제어기로부터 수신한 신호 정보 중에서 적어도 하나를 이용하여 차량 및 사람의 신호 위반의 움직임을 감지하는,
   상황 분석 기반의 CCTV 관제 시스템.
5. 제1항에 있어서,
   상기 제2 영상분석 장치는,
   상기 감시 영상으로부터 추출된 배경에 학습에 의해 훈련된 인공지능 모델을 적용하여 어린이보호구역, 횡단보도, 교차로 중에서 적어도 하나를 인식하고, 상기 제1 메타데이터를 이용하여 인식된 배경에서 차량과 사람의 동작을 통해 추론되는 상황의 변화 여부를 판단하는,
   상황 분석 기반의 CCTV 관제 시스템.
6. 상황 분석 기반의 CCTV 관제 시스템이 수행하는 방법으로서,
   CCTV 카메라를 통해 수집된 영상으로 구성된 훈련 데이터 셋을 이용하는 학습에 따른 훈련에 기초하여 객체의 움직임을 판단하는 모델 및 상황 변화를 판단하는 모델을 구성하는 단계;
   이벤트의 발생을 알리기 위해 상기 CCTV 카메라를 이용하여 감시 영상을 수집하는 단계;
   에지 영역에서, 상기 객체의 움직임을 판단하는 인공지능 모델을 이용하여, 상기 감시 영상에서 상기 객체를 추출하고, 상기 객체에 인공지능 모델 기반의 객체 분류를 통해, 학습된 패턴을 매칭시켜 상기 객체의 움직임에 중점을 둔 제1 영상분석의 결과로서 제1 메타데이터를 생성하는 단계;
   클라우드 영역에서, 상기 제1 메타데이터 및 상기 상황 변화를 판단하는 인공지능 모델을 이용하여, 상기 감시 영상으로부터 추출된 배경의 특징에 인공지능 모델을 적용하여 상기 배경을 인식하고, 상기 제1 메타데이터를 이용하여 상기 배경에서 상기 객체의 동작을 통해 추론되는 상기 감시 영상에서 감지된 상황 변화에 중점을 둔 제2 영상분석의 결과로서 상황 판단을 하는 제2 메타데이터를 생성하는 단계; 및
   상기 감시 영상을 통합 관제 뷰어를 통해 디스플레이 하고, 미리 설정된 조건의 이벤트의 발생을 알리는 단계를 포함하되,
   상기 제1 메타데이터 및 상기 제2 메타데이터의 조합에 기초하여 이벤트 발생 여부가 판단되며,
   상기 제1 메타데이터와 상기 제2 메타데이터의 조합에 기초해 상기 객체의 움직임 및 상기 객체의 움직임과 관련한 상황 변화가 발생되면 이벤트가 발생한 것으로 판단하여 이벤트 발생을 알리고, 상기 객체의 움직임만 판단되거나 상황 변화만 판단된 경우에는 해당 영상을 촬영한 카메라, 시간 및 상황이 북마크되도록 하고,
   상기 카메라의 동작을 제어하는 단계를 더 포함하되, 상기 제1 메타데이터를 이용하여 상기 객체의 움직임에 따라 에지에서 상기 카메라의 동작이 제어되고, 상기 제2 메타데이터를 이용하여 상황 변화에 따라 클라우드에서 상기 카메라의 동작이 제어되며,
   상기 제1 메타데이터는, 상기 객체의 움직임 시간, 상기 객체의 출현 위치 및 시간, 상기 객체의 크기 및 색상에 관한 정보, 및 카메라 정보를 포함하고,
   상기 제2 메타데이터는, 상기 객체의 정체, 인식된 배경의 종류, 상기 인식된 배경에 대한 상기 객체의 움직임에 따른 장면 구성 및 인식과, 상황 추론 및 분석에 따른 상황 변화에 관한 정보를 포함하는,
   상황 분석 기반의 CCTV 관제 방법.
7. 삭제

Images